Ta strona używa plików cookies, aby zapewnić najlepszą jakość korzystania z naszego serwisu oraz do celów analitycznych. Klikając "Akceptuję", wyrażasz zgodę na używanie wszystkich plików cookies. Możesz również odrzucić zgodę, co spowoduje zablokowanie plików cookies analitycznych. Więcej informacji znajdziesz w naszej Polityce Prywatności.
Generatywna AI zagraża bazom obserwacji przyrody. Fałszywe gatunki mogą trafić do nauki
Ekspert wykrył wygenerowanego przez AI modliszka liściastego, który miał przedstawiać nowy gatunek.
Fałszerstwa mogą polegać także na poprawianiu prawdziwych zdjęć, a nie tylko tworzeniu całych obrazów od zera.
Platformy nauki obywatelskiej potrzebują lepszej kontroli obrazów, metadanych i edukacji użytkowników.
AI może wspierać ochronę przyrody, jeśli wyniki systemu są sprawdzane przez ludzi.
Sponsorowane
Odkryj rewolucyjną metodę nauki języków
Sprawdź jak w 30 dni opanować podstawy dowolnego języka obcego bez wychodzenia z domu.
W indonezyjskich zaroślach i lasach tropikalnych opadłe liście mogą wyglądać tak, jakby poruszały się na lekkim wietrze. Jeden z nich może jednak okazać się modliszką liściastą, owadem, którego tułów i skrzydła przypominają żyłkowanie obumierającej roślinności. Taki kamuflaż pomaga ukryć się przed drapieżnikami i zaatakować ofiarę z zaskoczenia. Właśnie zdjęcie podobnego owada stało się przykładem problemu, który generatywna sztuczna inteligencja może stworzyć dla baz danych o bioróżnorodności.
Modliszka, która wyglądała jak nowy gatunek
Kris Anderson, niezależny badacz i specjalista od modliszek, od dziesięcioleci zajmuje się zbieraniem oraz porządkowaniem informacji o tych owadach. Na platformie iNaturalist wykonał ponad 26 tysięcy identyfikacji. Przeglądając kolejne zgłoszenia, natrafił na fotografię przedstawiającą owada z rodzaju Deroplatys, do którego należą modliszki liściaste. Użytkownik twierdził, że zdjęcie wykonano w lesie tropikalnym w Malezji.
Na obrazie owad trzymał się pionowo gałęzi tylnymi nogami. Jego ciało znajdowało się pod zawieszonym liściem w kształcie rombu, co dobrze pasowało do wyglądu modliszek z tego rodzaju. Anderson zauważył jednak niezgodności, których nie spodziewał się po znanym mu przedstawicielu grupy. Dotyczyły one kształtu głowy, czułków oraz wzorów na powierzchni ciała. Po analizie uznał, że przedstawionej modliszki nie ma w rzeczywistości. Obraz został wykonany przy użyciu narzędzi generatywnej AI.
Anderson opisywał już dwa przypadki fałszywych modliszek znalezionych w zgłoszeniach na iNaturalist w ciągu sześciu miesięcy. Jego obawy dotyczą nie tylko pojedynczych wpisów. Jeśli podobne obrazy będą trafiać do baz bez odpowiedniej kontroli, mogą zostać później wykorzystane w badaniach, inwentaryzacjach przyrodniczych lub ocenach środowiskowych. Badacz twierdzi, że chciał udokumentować tę słabość wcześnie, zanim obserwacje wygenerowane przez AI staną się powszechne.
Słownik artykułu
Pojęcia, które warto znać
Krótkie objaśnienia terminów występujących w tekście. Każde hasło prowadzi do szerszej definicji i przykładów użycia.
Fałszywe obserwacje ptaków już pojawiają się w sieci
Sygnały, że problem nie jest wyłącznie przyszłym zagrożeniem, pojawiły się także w obserwacjach ptaków. W listopadzie 2025 roku w mediach społecznościowych uwagę miłośników ptaków zwróciło zdjęcie willow tit, bardzo rzadko spotykanego ptaka w północno-wschodniej Szkocji. Na fotografii ptak miał znajdować się przy karmniku. Alexander Lees, badacz bioróżnorodności i specjalista od ptaków z Manchester Metropolitan University, zauważył jednak zdeformowane stopy i dziób. Uznał, że obraz został wygenerowany przez AI.
Lees wykorzystuje dane z platform obserwacyjnych w badaniach nad migracjami ptaków oraz ubarwieniem piór dzięciołów. Wraz z pracownikami iNaturalist opublikował na początku lipca tekst opiniotwórczy w Nature Ecology & Evolution. Autorzy ostrzegli w nim, że bazy oparte na nauce obywatelskiej mogą zostać zanieczyszczone przez syntetyczne obrazy, błędne informacje i zmienione fotografie. Nie przedstawili tego jako dowodu, że wszystkie zgłoszenia są niewiarygodne, lecz jako podatność systemu, którą trzeba ograniczyć.
Wygenerowany obraz może przedstawiać całe zwierzę, które nigdy nie istniało.
Fałszerstwo może polegać na poprawieniu prawdziwego zdjęcia, na przykład przez odszumianie, upiększanie lub dodanie cechy anatomicznej.
Błędny obraz może zostać uznany za dowód występowania gatunku w miejscu, w którym go nie zaobserwowano.
Jeśli dane z platform trafią do publikacji lub ocen środowiskowych bez sprawdzenia, błąd może wyjść poza pierwotną bazę.
Największy problem może dotyczyć zmieniania prawdziwych zdjęć
Całkowicie zmyślone obrazy są efektowne, ale zdaniem autorów omawianego tekstu częstsze mogą być modyfikacje prawdziwych fotografii. Lees i jego współpracownicy sprawdzali, jak łatwo można uzyskać taki efekt. Poprosili chatbota Gemini o wygenerowanie obrazu red-winged blackbird siedzącego na gałęzi na tle błękitnego nieba. Wynik był dość przekonujący, choć liczba piór ogonowych wyglądała nietypowo.
W drugim przykładzie zespół wykorzystał zdjęcie wilgi występującej w Ameryce Południowej i poprosił system, aby je poprawił. W zmienionym obrazie pojawił się czerwony akcent na skrzydle. Autorzy uznali, że podobna modyfikacja mogłaby zmylić eksperta lub system rozpoznawania obrazów i zostać potraktowana jako przykład red-winged blackbird. Do zbliżonej sytuacji doszło już na iNaturalist, gdy użytkownik poprawił zdjęcie w sposób, który doprowadził do zgłoszenia pierwszego występowania tego ptaka w Brazylii. Modyfikację wykryto, a fotografia została ukryta w bazie.
To rozróżnienie ma znaczenie dla oceny danych. Zdjęcie stworzone w całości przez AI może zawierać oczywiste błędy, takie jak niewłaściwe kończyny, dziób lub liczbę piór. Zmiana istniejącego obrazu może być subtelniejsza. Może poprawić oświetlenie albo ostrość, ale może też wprowadzić cechę, która zmieni rozpoznanie gatunku. Dla osoby przeglądającej dużą bazę różnica między korektą techniczną a fałszerstwem biologicznej informacji nie zawsze będzie łatwa do oceny.
Fałszerstwa w taksonomii nie zaczęły się od AI
Historia naukowego opisywania gatunków zna podobne oszustwa i pomyłki sprzed epoki komputerów. Przykładem jest Charlton brimstone, efektowny motyl o żółtych skrzydłach i dwóch niebieskich znakach. W XVIII wieku okaz przekazano londyńskiemu chemikowi Jamesowi Petiverowi. W 1763 roku gatunek trafił do publikacji Centuria Insectorum Rariorum, której autorem był Carl Linnaeus. Okaz pozostawał w British Museum, aż obejrzał go duński specjalista Johann Christian Fabricius.
Fabricius stwierdził, że niebieskie znaki nie były naturalną cechą odrębnego gatunku. Zostały naniesione ręcznie na skrzydła pospolitego motyla brimstone. Charlton brimstone nie istniał jako osobny gatunek. Nie jest jasne, czy była to celowa próba oszustwa, czy żart, który potraktowano zbyt poważnie. Przypadek pokazuje jednak, że jakość danych o bioróżnorodności była problemem jeszcze przed powstaniem elektronicznych baz i narzędzi AI.
Jak platformy mogą ograniczać ryzyko
Atlas of Living Australia, otwarta infrastruktura cyfrowa gromadząca dane o australijskiej przyrodzie, również odnotowywał nieprawdziwe zgłoszenia. W bazie pojawiały się między innymi jednorożce, tyranozaury i wpisy o anonimowych kochankach. Takie rekordy były filtrowane. Przedstawiciel Atlas of Living Australia podkreślał, że problemy z jakością danych istniały na długo przed pojawieniem się generatywnej AI. Nowe narzędzia zwiększają jednak łatwość i szybkość tworzenia przekonujących fałszerstw.
Na platformach społecznościowych szybko przybywa zmyślonych gatunków, którym często towarzyszą generowane przez AI opisy zachowania i siedliska. Niektóre osoby przyjmują takie treści bez weryfikacji. Jednocześnie nie oznacza to, że społeczności nauki obywatelskiej są z założenia niewiarygodne. Wielu użytkowników i recenzentów poświęca czas na sprawdzanie wpisów, porównywanie cech organizmów i poprawianie błędnych identyfikacji. To właśnie ich praca jest obecnie jednym z głównych zabezpieczeń baz.
Protokoły uwierzytelniania obrazu mogą pomóc sprawdzać, czy fotografia pochodzi z rzeczywistej obserwacji.
Kontrola metadanych może dostarczyć informacji o pochodzeniu pliku i warunkach wykonania zdjęcia.
Użytkownicy powinni wiedzieć, że narzędzia do poprawiania obrazów mogą zmienić znaczenie dokumentacji biologicznej.
Automatyczne systemy flagujące powinny wspierać recenzentów, a nie zastępować ich ocenę.
Podejrzane rekordy mogą wymagać dodatkowej dokumentacji, porównania z innymi obserwacjami lub ukrycia do czasu wyjaśnienia.
AI może pomagać w ochronie przyrody, ale potrzebuje kontroli
Generatywna AI nie jest jedynym rodzajem sztucznej inteligencji wykorzystywanym w badaniach bioróżnorodności. Systemy uczenia maszynowego mogą analizować duże zbiory danych i ograniczać pracę, którą wcześniej wykonywano ręcznie. Na podstawie danych z eBird jeden z modeli przewidywał wzorce migracji ptaków na kilka tygodni przed ich rozpoczęciem. Projekt CitClops wykorzystywał zdjęcia wody morskiej wykonywane przez uczestników nauki obywatelskiej do obserwowania wczesnych oznak zakwitów glonów.
W Australii systemy uczenia maszynowego zastosowano także do analizy zdjęć z fotopułapek. Australian Wildlife Conservancy wyszkoliło narzędzie na ponad 1,1 miliona obrazów zwierząt, które wcześniej sprawdzili ludzie. System może rozpoznać na przykład emu lub walabię, dzięki czemu ogranicza liczbę zdjęć wymagających ręcznego przeglądania. Nie pełni jednak roli ostatecznego klasyfikatora gatunków. Pomaga grupować obrazy w zbiór danych, a następnie człowiek weryfikuje wynik.
Ten model pokazuje różnicę między użyciem AI do porządkowania istniejącej dokumentacji a użyciem generatywnych narzędzi do tworzenia pozornych obserwacji. W pierwszym przypadku system ma ułatwiać pracę z materiałem zebranym przez ludzi. W drugim może wytworzyć obraz, który wygląda jak dowód terenowy, choć nim nie jest. Dlatego specjaliści wskazują, że rozwój technologii powinien iść w parze z kontrolą pochodzenia plików, przejrzystymi zasadami edycji oraz odpowiedzialnością użytkowników.
iNaturalist, które przechowuje około 500 milionów zdjęć, od dawna mierzy się z fotografiami przerabianymi w programach graficznych oraz z błędnymi rekordami wykorzystującymi obrazy znalezione w internecie. Platforma dodała narzędzia społecznościowe sygnalizujące treści potencjalnie wygenerowane przez AI i deklaruje dalsze dostosowywanie procedur do zmian technologicznych. Eksperci nie twierdzą, że pojedyncze fałszerstwa automatycznie unieważniają całą naukę obywatelską. Ostrzegają natomiast, że bez szybkiej weryfikacji syntetyczne obrazy mogą utrudnić badania, ochronę przyrody i klasyfikację gatunków.
